CN113779328B - 供电监测数据整合处理方法、***、终端及存储介质 - Google Patents

供电监测数据整合处理方法、***、终端及存储介质 Download PDF

Info

Publication number
CN113779328B
CN113779328B CN202110919520.2A CN202110919520A CN113779328B CN 113779328 B CN113779328 B CN 113779328B CN 202110919520 A CN202110919520 A CN 202110919520A CN 113779328 B CN113779328 B CN 113779328B
Authority
CN
China
Prior art keywords
data
steady
fluctuation
monitoring
dimension reduction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110919520.2A
Other languages
English (en)
Other versions
CN113779328A (zh
Inventor
杨士民
孟庆珂
牛中峰
王松
李新宽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zouping Power Supply Co Ltd
Original Assignee
Zouping Power Supply Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zouping Power Supply Co Ltd filed Critical Zouping Power Supply Co Ltd
Priority to CN202110919520.2A priority Critical patent/CN113779328B/zh
Publication of CN113779328A publication Critical patent/CN113779328A/zh
Application granted granted Critical
Publication of CN113779328B publication Critical patent/CN113779328B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种供电监测数据整合处理方法、***、终端及存储介质，包括：指定主监测项，并从所有监测数据中筛选出主监测项的主监测数据；实时获取主监测数据的波动值，并判断所述波动值是否超过预设阈值：若是，则筛选出所述波动值所属波动时段前后的所有监测项的稳态监测数据，并对所有稳态监测数据进行降维处理，得到降维数据；从预先构建的故障类型与故障数据的存储映射库中查找与所述降维数据匹配的故障类型，并将所述故障类型输出为实际故障类型。本发明能够对多维的供电监测数据进行整合处理，从而有效利用监测数据得到故障类型，提高了供电网监控效率和准确度。

Description

供电监测数据整合处理方法、***、终端及存储介质
技术领域
本发明涉及供电技术领域，具体涉及一种供电监测数据整合处理方法、***、终端及存储介质。
背景技术
鉴于供电网络的复杂化，供电网络的监控也更加全面，继而导致供电监测数据多样化且数据量极大。现有供电监测***对监测数据的处理通常采用简单的阈值比对的方法发现异常数据，然后由人工进行异常数据处理。这种方法对人工依赖度比较大，也无法有效利用监测数据，人工处理监测数据准确度不高。
发明内容
针对现有技术的上述不足，本发明提供一种供电监测数据整合处理方法、***、终端及存储介质，以解决上述技术问题。
第一方面，本发明提供一种供电监测数据整合处理方法，包括：
指定主监测项，并从所有监测数据中筛选出主监测项的主监测数据；
实时获取主监测数据的波动值，并判断所述波动值是否超过预设阈值：
若是，则筛选出所述波动值所属波动时段前后的所有监测项的稳态监测数据，并对所有稳态监测数据进行降维处理，得到降维数据；
从预先构建的故障类型与故障数据的存储映射库中查找与所述降维数据匹配的故障类型，并将所述故障类型输出为实际故障类型。
进一步的，实时获取主监测数据的波动值，包括：
根据历史主监测数据设定标准值，实时计算主监测数据与标准值的实时差值；
生成实时差值的波动曲线，根据所述波动曲线生成波动值。
进一步的，筛选出所述波动值所属波动时段前后的所有监测项的稳态监测数据，并对所有稳态监测数据进行降维处理，得到降维数据，包括：
筛选出波动时段起点时刻的第一稳态监测数据和波动时段终点时刻的第二稳态监测数据；
设置稳态监测数据中各监测项的排列顺序，并根据所述排列顺序对第一稳态数据和第二稳态数据进行统一排序；
利用PCA算法对排序后的第一稳态数据和第二稳态数据进行降维处理，得到第一降维数据和第二降维数据；
将第二降维数据与第一降维数据做差，得到差异数据组。
进一步的，从预先构建的故障类型与故障数据的存储映射库中查找与所述降维数据匹配的故障类型，包括：
收集历史故障数据，并对历史故障数据进行降维和做差处理得到历史故障类型对应的历史差异数据组；
将历史故障类型和对应的历史差异数据组保存至存储映射库；
查询所述存储映射库中与所述差异数据组匹配的历史差异数据组，并将匹配历史差异数据组对应的故障类型输出为匹配的故障类型。
第二方面，本发明提供一种供电监测数据整合处理***，包括：
监测指定单元，用于指定主监测项，并从所有监测数据中筛选出主监测项的主监测数据；
波动监测单元，用于实时获取主监测数据的波动值，并判断所述波动值是否超过预设阈值；
降维处理单元，用于若所述波动值超过预设阈值，则筛选出所述波动值所属波动时段前后的所有监测项的稳态监测数据，并对所有稳态监测数据进行降维处理，得到降维数据；
故障分析单元，用于从预先构建的故障类型与故障数据的存储映射库中查找与所述降维数据匹配的故障类型，并将所述故障类型输出为实际故障类型。
进一步的，所述波动监测单元包括：
标准设置模块，用于根据历史主监测数据设定标准值，实时计算主监测数据与标准值的实时差值；
波动获取模块，用于生成实时差值的波动曲线，根据所述波动曲线生成波动值。
进一步的，所述降维处理单元包括：
数据筛选模块，用于筛选出波动时段起点时刻的第一稳态监测数据和波动时段终点时刻的第二稳态监测数据；
数据排序模块，用于设置稳态监测数据中各监测项的排列顺序，并根据所述排列顺序对第一稳态数据和第二稳态数据进行统一排序；
降维处理模块，用于利用PCA算法对排序后的第一稳态数据和第二稳态数据进行降维处理，得到第一降维数据和第二降维数据；
做差处理模块，用于将第二降维数据与第一降维数据做差，得到差异数据组。
进一步的，所述故障分析单元包括：
历史收集模块，用于收集历史故障数据，并对历史故障数据进行降维和做差处理得到历史故障类型对应的历史差异数据组；
历史存储模块，用于将历史故障类型和对应的历史差异数据组保存至存储映射库；
匹配查询模块，用于查询所述存储映射库中与所述差异数据组匹配的历史差异数据组，并将匹配历史差异数据组对应的故障类型输出为匹配的故障类型。
第三方面，提供一种终端，包括：
处理器、存储器，其中，
该存储器用于存储计算机程序，
该处理器用于从存储器中调用并运行该计算机程序，使得终端执行上述的终端的方法。
第四方面，提供了一种计算机存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。
本发明的有益效果在于，
本发明提供的供电监测数据整合处理方法、***、终端及存储介质，能够对多维的供电监测数据进行整合处理，从而有效利用监测数据得到故障类型，提高了供电网监控效率和准确度。
此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的方法的示意性流程图。
图2是本发明一个实施例的***的示意性框图。
图3为本发明实施例提供的一种终端的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
图1是本发明一个实施例的方法的示意性流程图。其中，图1执行主体可以为一种供电监测数据整合处理***。
如图1所示，该方法包括：
步骤110，指定主监测项，并从所有监测数据中筛选出主监测项的主监测数据；
步骤120，实时获取主监测数据的波动值，并判断所述波动值是否超过预设阈值：
步骤130，若是，则筛选出所述波动值所属波动时段前后的所有监测项的稳态监测数据，并对所有稳态监测数据进行降维处理，得到降维数据；
步骤140，从预先构建的故障类型与故障数据的存储映射库中查找与所述降维数据匹配的故障类型，并将所述故障类型输出为实际故障类型。
为了便于对本发明的理解，下面以本发明供电监测数据整合处理方法的原理，结合实施例对本发明提供的供电监测数据整合处理方法做进一步的描述。
具体的，所述供电监测数据整合处理方法包括：
S1、指定主监测项，并从所有监测数据中筛选出主监测项的主监测数据。
电力监测中存在多种监测项，如电流、电压、功率、占空比、频率等，本实施例指定电流作为主监测项，即实时筛选出电流数据。
S2、实时获取主监测数据的波动值，并判断所述波动值是否超过预设阈值。
根据正常状态下的监测数据设定电流标准值，计算新生成的电流数据与电流标准值的差值，根据实时生成的差值生成波动曲线，根据波动曲线计算波动值，若波动值超过预设阈值则说明监控存在异常，若波动之后电流数据与标准值的差值超过预设的差值阈值，则说明供电网络存在故障。此处为初步故障判断。本实施例判定存在异常后执行步骤S3，在本发明的其他实施方式中在判断供电网络存在故障后执行步骤S3。
S3、若是，则筛选出所述波动值所属波动时段前后的所有监测项的稳态监测数据，并对所有稳态监测数据进行降维处理，得到降维数据。
锁定波动数据所属的时间段，作为波动时段。筛选出波动时段起点时刻的第一稳态监测数据和波动时段终点时刻的第二稳态监测数据。设置稳态监测数据中各监测项的排列顺序，例如，电流、电压、频率、占空比、功率，根据该排列顺序对第一稳态数据和第二稳态数据进行统一排序，这样便于两组数据的后续比对处理。
利用PCA算法对排序后的第一稳态数据和第二稳态数据进行降维处理，得到第一降维数据和第二降维数据。PCA(Principal Component Analysis，主成分分析)是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。此处对PCA算法的具体处理过程不再赘述。
将第二降维数据与第一降维数据做差，得到差异数据组。第二降维数据为波动发生后的数据，第一降维数据为波动发生前的数据，因此第一降维数据为正常状态下的数据，将第二降维数据与第一降维数据做差可以表征波动前后特征数据的变化。
S4、从预先构建的故障类型与故障数据的存储映射库中查找与所述降维数据匹配的故障类型，并将所述故障类型输出为实际故障类型。
利用大数据收集历史故障数据，历史故障数据为监测***已经判定为故障的故障类型和故障发生时的波动前后监测数据。对历史故障数据进行降维和做差处理，参考步骤S3，得到历史故障类型对应的历史差异数据组。将历史故障类型和对应的历史差异数据组保存至存储映射库，完成存储映射库的构建。
查询存储映射库中与步骤S3得到的差异数据组匹配的历史差异数据组，并将匹配历史差异数据组对应的故障类型输出为匹配的故障类型，实现故障自动分析。
如图2所示，该***200包括：
监测指定单元210，用于指定主监测项，并从所有监测数据中筛选出主监测项的主监测数据；
波动监测单元220，用于实时获取主监测数据的波动值，并判断所述波动值是否超过预设阈值；
降维处理单元230，用于若所述波动值超过预设阈值，则筛选出所述波动值所属波动时段前后的所有监测项的稳态监测数据，并对所有稳态监测数据进行降维处理，得到降维数据；
故障分析单元240，用于从预先构建的故障类型与故障数据的存储映射库中查找与所述降维数据匹配的故障类型，并将所述故障类型输出为实际故障类型。
可选地，作为本发明一个实施例，所述波动监测单元包括：
标准设置模块，用于根据历史主监测数据设定标准值，实时计算主监测数据与标准值的实时差值；
波动获取模块，用于生成实时差值的波动曲线，根据所述波动曲线生成波动值。
可选地，作为本发明一个实施例，所述降维处理单元包括：
数据筛选模块，用于筛选出波动时段起点时刻的第一稳态监测数据和波动时段终点时刻的第二稳态监测数据；
数据排序模块，用于设置稳态监测数据中各监测项的排列顺序，并根据所述排列顺序对第一稳态数据和第二稳态数据进行统一排序；
降维处理模块，用于利用PCA算法对排序后的第一稳态数据和第二稳态数据进行降维处理，得到第一降维数据和第二降维数据；
做差处理模块，用于将第二降维数据与第一降维数据做差，得到差异数据组。
可选地，作为本发明一个实施例，所述故障分析单元包括：
历史收集模块，用于收集历史故障数据，并对历史故障数据进行降维和做差处理得到历史故障类型对应的历史差异数据组；
历史存储模块，用于将历史故障类型和对应的历史差异数据组保存至存储映射库；
匹配查询模块，用于查询所述存储映射库中与所述差异数据组匹配的历史差异数据组，并将匹配历史差异数据组对应的故障类型输出为匹配的故障类型。
图3为本发明实施例提供的一种终端300的结构示意图，该终端300可以用于执行本发明实施例提供的供电监测数据整合处理方法。
其中，该终端300可以包括：处理器310、存储器320及通信单元330。这些组件通过一条或多条总线进行通信，本领域技术人员可以理解，图中示出的服务器的结构并不构成对本发明的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
其中，该存储器320可以用于存储处理器310的执行指令，存储器320可以由任何类型的易失性或非易失性存储终端或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。当存储器320中的执行指令由处理器310执行时，使得终端300能够执行以下上述方法实施例中的部分或全部步骤。
处理器310为存储终端的控制中心，利用各种接口和线路连接整个电子终端的各个部分，通过运行或执行存储在存储器320内的软件程序和/或模块，以及调用存储在存储器内的数据，以执行电子终端的各种功能和/或处理数据。所述处理器可以由集成电路(Integrated Circuit，简称IC)组成，例如可以由单颗封装的IC所组成，也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说，处理器310可以仅包括中央处理器(Central Processing Unit，简称CPU)。在本发明实施方式中，CPU可以是单运算核心，也可以包括多运算核心。
通信单元330，用于建立通信信道，从而使所述存储终端可以与其它终端进行通信。接收其他终端发送的用户数据或者向其他终端发送用户数据。
本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read-only memory，简称：ROM)或随机存储记忆体(英文：random access memory，简称：RAM)等。
因此，本发明能够对多维的供电监测数据进行整合处理，从而有效利用监测数据得到故障类型，提高了供电网监控效率和准确度，本实施例所能达到的技术效果可以参见上文中的描述，此处不再赘述。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中如U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，包括若干指令用以使得一台计算机终端(可以是个人计算机，服务器，或者第二终端、网络终端等)执行本发明各个实施例所述方法的全部或部分步骤。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于终端实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
在本发明所提供的几个实施例中，应该理解到，所揭露的***和方法，可以通过其它的方式实现。例如，以上所描述的***实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，***或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (4)

1.一种供电监测数据整合处理方法，其特征在于，包括：
指定主监测项，并从所有监测数据中筛选出主监测项的主监测数据；
实时获取主监测数据的波动值，并判断所述波动值是否超过预设阈值：
若是，则筛选出所述波动值所属波动时段前后的所有监测项的稳态监测数据，并对所有稳态监测数据进行降维处理，得到降维数据；
从预先构建的故障类型与故障数据的存储映射库中查找与所述降维数据匹配的故障类型，并将所述故障类型输出为实际故障类型；
实时获取主监测数据的波动值，包括：
根据历史主监测数据设定标准值，实时计算主监测数据与标准值的实时差值；
生成实时差值的波动曲线，根据所述波动曲线生成波动值；
筛选出所述波动值所属波动时段前后的所有监测项的稳态监测数据，并对所有稳态监测数据进行降维处理，得到降维数据，包括：
筛选出波动时段起点时刻的第一稳态监测数据和波动时段终点时刻的第二稳态监测数据；
设置稳态监测数据中各监测项的排列顺序，并根据所述排列顺序对第一稳态数据和第二稳态数据进行统一排序；
利用PCA算法对排序后的第一稳态数据和第二稳态数据进行降维处理，得到第一降维数据和第二降维数据；
将第二降维数据与第一降维数据做差，得到差异数据组；
从预先构建的故障类型与故障数据的存储映射库中查找与所述降维数据匹配的故障类型，包括：
收集历史故障数据，并对历史故障数据进行降维和做差处理得到历史故障类型对应的历史差异数据组；
将历史故障类型和对应的历史差异数据组保存至存储映射库；
查询所述存储映射库中与所述差异数据组匹配的历史差异数据组，并将匹配历史差异数据组对应的故障类型输出为匹配的故障类型。
2.一种供电监测数据整合处理***，其特征在于，包括：
监测指定单元，用于指定主监测项，并从所有监测数据中筛选出主监测项的主监测数据；
波动监测单元，用于实时获取主监测数据的波动值，并判断所述波动值是否超过预设阈值；
降维处理单元，用于若所述波动值超过预设阈值，则筛选出所述波动值所属波动时段前后的所有监测项的稳态监测数据，并对所有稳态监测数据进行降维处理，得到降维数据；
故障分析单元，用于从预先构建的故障类型与故障数据的存储映射库中查找与所述降维数据匹配的故障类型，并将所述故障类型输出为实际故障类型；
所述波动监测单元包括：
标准设置模块，用于根据历史主监测数据设定标准值，实时计算主监测数据与标准值的实时差值；
波动获取模块，用于生成实时差值的波动曲线，根据所述波动曲线生成波动值；
所述降维处理单元包括：
数据筛选模块，用于筛选出波动时段起点时刻的第一稳态监测数据和波动时段终点时刻的第二稳态监测数据；
数据排序模块，用于设置稳态监测数据中各监测项的排列顺序，并根据所述排列顺序对第一稳态数据和第二稳态数据进行统一排序；
降维处理模块，用于利用PCA算法对排序后的第一稳态数据和第二稳态数据进行降维处理，得到第一降维数据和第二降维数据；
做差处理模块，用于将第二降维数据与第一降维数据做差，得到差异数据组；
所述故障分析单元包括：
历史收集模块，用于收集历史故障数据，并对历史故障数据进行降维和做差处理得到历史故障类型对应的历史差异数据组；
历史存储模块，用于将历史故障类型和对应的历史差异数据组保存至存储映射库；
匹配查询模块，用于查询所述存储映射库中与所述差异数据组匹配的历史差异数据组，并将匹配历史差异数据组对应的故障类型输出为匹配的故障类型。
3.一种终端，其特征在于，包括：
处理器；
用于存储处理器的执行指令的存储器；
其中，所述处理器被配置为执行权利要求1所述的方法。
4.一种存储有计算机程序的计算机可读存储介质，其特征在于，该程序被处理器执行时实现如权利要求1所述的方法。
CN202110919520.2A 2021-08-11 2021-08-11 供电监测数据整合处理方法、***、终端及存储介质 Active CN113779328B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110919520.2A CN113779328B (zh) 2021-08-11 2021-08-11 供电监测数据整合处理方法、***、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110919520.2A CN113779328B (zh) 2021-08-11 2021-08-11 供电监测数据整合处理方法、***、终端及存储介质

Publications (2)

Publication Number Publication Date
CN113779328A CN113779328A (zh) 2021-12-10
CN113779328B true CN113779328B (zh) 2023-10-31

Family

ID=78837404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110919520.2A Active CN113779328B (zh) 2021-08-11 2021-08-11 供电监测数据整合处理方法、***、终端及存储介质

Country Status (1)

Country Link
CN (1) CN113779328B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116664103B (zh) * 2023-05-29 2024-02-09 深圳市通航航空服务有限公司 一种基于数据分析的航空器运维管理***
CN116860563B (zh) * 2023-09-05 2023-12-15 山东捷瑞数字科技股份有限公司 一种基于云平台的数据库服务器监测方法和***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102818964A (zh) * 2012-09-12 2012-12-12 成都光码智能科技有限公司 一种基于逆卡诺原理设备工况的监测装置及方法
CN103616610A (zh) * 2013-11-06 2014-03-05 国家电网公司 一种电网故障线路中监控信号的仿真方法
CN204559226U (zh) * 2015-04-28 2015-08-12 国家电网公司 多端供电线路备用自投自愈装置
CN105403811A (zh) * 2015-12-14 2016-03-16 北京天诚同创电气有限公司 风电场电网故障诊断方法和装置
CN105675304A (zh) * 2016-01-04 2016-06-15 杭州科技职业技术学院 汽车发动机在线监测***
CN105676070A (zh) * 2016-02-25 2016-06-15 国网山东省电力公司章丘市供电公司 一种输电线路故障监测***
CN109738753A (zh) * 2018-12-07 2019-05-10 国网江苏省电力有限公司南京供电分公司 一种电网故障状态及故障类型的检测方法
CN111062503A (zh) * 2019-12-19 2020-04-24 国网山东省电力公司泰安供电公司 一种电网监控告警处理方法、***、终端及存储介质
CN112461289A (zh) * 2020-10-27 2021-03-09 国网山东省电力公司昌邑市供电公司 一种环网柜故障监控方法、***、终端及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3137914B1 (en) * 2014-04-29 2022-06-29 The University of Akron Smart sensor network for power grid health monitoring

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102818964A (zh) * 2012-09-12 2012-12-12 成都光码智能科技有限公司 一种基于逆卡诺原理设备工况的监测装置及方法
CN103616610A (zh) * 2013-11-06 2014-03-05 国家电网公司 一种电网故障线路中监控信号的仿真方法
CN204559226U (zh) * 2015-04-28 2015-08-12 国家电网公司 多端供电线路备用自投自愈装置
CN105403811A (zh) * 2015-12-14 2016-03-16 北京天诚同创电气有限公司 风电场电网故障诊断方法和装置
CN105675304A (zh) * 2016-01-04 2016-06-15 杭州科技职业技术学院 汽车发动机在线监测***
CN105676070A (zh) * 2016-02-25 2016-06-15 国网山东省电力公司章丘市供电公司 一种输电线路故障监测***
CN109738753A (zh) * 2018-12-07 2019-05-10 国网江苏省电力有限公司南京供电分公司 一种电网故障状态及故障类型的检测方法
CN111062503A (zh) * 2019-12-19 2020-04-24 国网山东省电力公司泰安供电公司 一种电网监控告警处理方法、***、终端及存储介质
CN112461289A (zh) * 2020-10-27 2021-03-09 国网山东省电力公司昌邑市供电公司 一种环网柜故障监控方法、***、终端及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于智能配电网大数据分析的状态监测与故障处理方法;赵庆周等;《电网技术》;774-780 *

Also Published As

Publication number Publication date
CN113779328A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
CN113779328B (zh) 供电监测数据整合处理方法、***、终端及存储介质
CN113176978B (zh) 基于日志文件的监控方法、***、设备及可读存储介质
CN115236260B (zh) 一种色谱数据储存方法、装置、电子设备及存储介质
CN113672456B (zh) 应用平台的模块化自监听方法、***、终端及存储介质
CN109495291B (zh) 调用异常的定位方法、装置和服务器
CN109788052B (zh) 一种服务器配置远程查询方法、装置、终端及存储介质
CN107590016A (zh) 掉电重启识别方法及装置
CN111062503B (zh) 一种电网监控告警处理方法、***、终端及存储介质
CN110543394A (zh) 服务器sensor信息一致性测试方法、***、终端及存储介质
CN109558300B (zh) 一种整机柜告警处理方法、装置、终端及存储介质
CN114490238A (zh) 服务器整机诊断过程的监控方法、***、终端及存储介质
CN106657514B (zh) 一种终端测试方法及测试装置
CN109920466B (zh) 一种硬盘测试数据解析方法、装置、终端及存储介质
CN112612679A (zh) ***运行状态监控方法、装置、计算机设备和存储介质
CN116431677B (zh) 基于内存数据库的数据路由方法、***和可读存储介质
CN112347619B (zh) 一种变电设备故障监管方法、***、终端及存储介质
CN114781674B (zh) 风电设备故障的定位方法及装置、存储介质、电子设备
CN117014069B (zh) 故障预测方法、装置、电子设备、存储介质及程序产品
CN118091520B (zh) 一种10us方波浪涌测试设备智能调控方法及***
CN117251790A (zh) 一种智慧物流数据的采集方法及***
CN118195583A (zh) 智能运维充电设备零部件状态分析方法和装置
CN117539159A (zh) 一种智慧家居的设备管控方法及***
CN112732506A (zh) 一种服务器机箱网卡测试方法、***、终端及存储介质
CN113761133A (zh) 基于人工智能的***异常监测方法、装置及相关设备
CN113128848A (zh) 全业务指标的数据质量监控方法、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant